[发明专利]一种基于轨迹数据的信号交叉口周期流量估计方法

说明书

本发明涉及一种基于轨迹数据的信号交叉口周期流量估计方法，包括以下步骤：1)获取抽样车辆的轨迹点数据，获取车辆加入及离开排队的关键点信息；2)采用拟合方法对车辆排队的集结波和消散波进行估计，并将集结波与消散波的交点作为排队车辆的流量估计值；3)根据排队车辆的流量估计值确定不停车车辆占全周期流量的比例，获取全周期流量的密度分布函数；4)根据全周期流量的密度分布函数将全周期的流量估计问题转化为基于非排队车辆的泊松分布和M3分布的参数估计问题，通过极大似然估计法进行估计，采用期望最大法求解，每个周期的到达流量估计值。与现有技术相比，本发明具有融合模型解析和统计分析、充分利用轨迹信息、适用性广等优点。

技术领域

本发明涉及智能交通系统领域，尤其是涉及一种基于轨迹数据的信号交叉口周期流量估计方法。

背景技术

在城市道路信号控制交叉口，每个信号周期内通过的流量对交通状态估计和信号控制优化具有重要作用。传统的交通检测主要是通过以线圈为代表的固定检测器获取流量数据从而对实际到达流量进行估计，但是固定检测器的布设范围有限，而且还存在检测失效的问题。随着车辆定位和车联网技术的发展和普及，实时的轨迹数据逐渐应用于城市交通管理。以上海市为例，当前全市已经基于5万辆出租车和2万辆公交车建立了浮动车系统，每天的数据传输频率为10-30秒；全国最大的车辆共享企业，滴滴出行基于1750万个注册用户的海量数据库每天都会处理多达70TB的GPS轨迹数据，传输频率为1-3秒。轨迹数据一方面传输频率要小得多，比起定点检测器数据一般为10-60秒的传输频率，能够捕捉到更准确的车流信息；另一方面，轨迹数据的应用空间范围没有限制，更适用于路网层面长期宏观的检测需求，在交通检测和管理系统的应用具有良好前景。

目前，国内外关于流量估计的研究主要是基于定点检测器实现，预测方法包括滤波算法等数理统计方法和基本图、元胞传输模型等模型解析法。基于定点检测器的流量估计方法主要存在设备布设和维护成本高、上传频率低的问题，而且得到的速度、流量等检测指标是基于检测步长的平均值，不能体现交通流的波动性和随机性。数理统计方法一般是历史检测数据实现，而且模型参数大多需要实证数据标定；基于基本图的方法同样要基于历史数据拟合交通流参数的关系，一般性较差；而元胞传输模型等模型解析的方法都存在特定假设，对交通流参数之间的关系进行了抽象，例如模拟到达分布、同质化假设等等，虽然考虑了交通流的随机特性，但对于交通流参数量化关系的假设因地而异，适用范围有限。利用轨迹做流量估计的研究出现较晚，虽然轨迹数据具有精度高实时性强的优势，但在实际应用中由于捕获率低存在数据稀疏、预测误差大的问题，而且现有的利用轨迹数据的流量估计方法在自适应控制条件下估计精度会降低。因此，建立一个一般性和适用性较强的周期流量估计方法对于轨迹数据的进一步应用推广具有重要的现实意义。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种融合模型解析和统计分析、充分利用轨迹信息、适用性广的基于轨迹数据的信号交叉口周期流量估计方法。

本发明的目的可以通过以下技术方案来实现：

一种基于轨迹数据的信号交叉口周期流量估计方法，该方法包括以下步骤：

1)获取抽样车辆的轨迹点数据，并基于轨迹点的速度判断车辆所处的运动状态，通过内插法获取车辆加入及离开排队的关键点信息；

2)根据同一周期内所有抽样轨迹的关键点，采用拟合方法对车辆排队的集结波和消散波进行估计，并将集结波与消散波的交点作为排队车辆的流量估计值；

3)根据排队车辆的流量估计值确定不停车车辆占全周期流量的比例，并设定非排队车辆的到达过程为有限取值的泊松分布，对应的车头时距服从M3分布，获取全周期流量的密度分布函数；

4)根据全周期流量的密度分布函数将全周期的流量估计问题转化为基于非排队车辆的泊松分布和M3分布的参数估计问题，通过极大似然估计法对全周期的到达率进行估计，并采用期望最大法求解，最终得到每个周期的到达流量估计值。